http://hdl.handle.net/123456789/152 SPeSIA - Fakultas MIPA (FM) 2026-04-04T16:12:34Z http://hdl.handle.net/123456789/28903 Penerapan Deteksi Outlier Regresi Cox Vibrasi Bearing Abstract. The health of the machine is monitored prognostically as a priority to avoid unexpected downtime of operation or maintenance. The prognostic tics of health in the machine are defined as the ability to observe the future condition of a part or component of the machine and the time remaining before the failure of the machine component. This relates to predictions of the health condition of the machine especially on bearings. One of the analyses used for prognostic on machine health is survival analysis. In survival analysis, an outlier can affect the estimated parameters of the model and can change the selected model. The common approach used in detecting outliers is through residual analysis. There are several theories that have been discussed about survival analysis including Kaplan-Meier and Cox. This paper discusses the application of PH Cox regression to detect outliers in bearing vibration data. The study used vibration data from Prognostics and Health Management, FEMTO ST-Institute. Vibration data is converted into the form of kurtosis, then converted into time to failure by giving the limit of failure to the kurtosis using the threshold value. In this thesis, the Kaplan-Meier method is applied to predict bearing resistance and bearing failure degradation resulting from bearing vibration experiments. Cox Proportional Hazard regression is applied to test the effect of RPM (X1) speed and Load load (X2) on time to failure (Y). The dataset consists of three eskperimen conditions (1800 rpm, 4000 N), (1650 rpm, 4200 N), (1500 rpm, 5000 N) and obtained 24 times to failure, 12 of which were censored 12 others did not. Cox's regression obtained is h(t) = exp(-0.005212RPM+ 0.000786Load)h_0(t). Residual analysis concluded there were no pencils.Keywords: Survival Analysis, Kaplan-Meier, Outlier, Cox Regression, Threshold, Vibration Bearing.Abstrak. Kesehatan mesin di pantau secara prognostik sebagai prioritas untuk menghindari downtime operasi atau pemeliharaan yang tak terduga. Prognostik kesehatan pada mesin didefinisikan sebagai kemampuan untuk mengamati kondisi dimasa depan suatu bagian atau komponen mesin tersebut dan waktu yang tersisa sebelum terjadinya kegagalan pada komponen mesin. Ini berkaitan dengan prediksi kondisi kesehatan mesin khususnya pada bearing. Salah satu analisis yang digunakan untuk prognostik pada kesehatan mesin adalah analisis survival. Dalam analisis survival, outlier dapat mempengaruhi estimasi parameter model dan dapat mengubah model yang dipilih. Pendekatan umum yang digunakan dalam mendeteksi outlier adalah melalui analisis residual. Ada beberapa teori yang pernah membahas tentang survival analysis diantaranya adalah Kaplan-Meier dan Cox. Makalah ini membahas penerapan regresi PH Cox untuk mendeteksi outlier pada data vibrasi bearing. Penelitian ini menggunakan data vibrasi dari Prognostics and Health Management, FEMTO ST-Institute. Data vibrasi diubah kedalam bentuk kurtosis, kemudian diubah kedalam time to failure dengan memberikan batas failure pada kurtosis menggunakan nilai threshold. Dalam skripsi ini, metode Kaplan-Meier diterapkan untuk memprediksi ketahanan bearing dan failure degradation bearing hasil eksperimen vibrasi bearing. Regresi Cox Proportional Hazard diterapkan untuk menguji efek kecepatan RPM (X1) dan beban Load (X2) terhadap time to failure (Y). Dataset terdiri dari tiga kondisi eskperimen yaitu (1800 rpm, 4000 N), (1650 rpm, 4200 N), (1500 rpm, 5000 N) dan diperoleh 24 time to failure, 12 diantaranya tersensor 12 lainnya tidak. Regresi Cox yang diperoleh adalah h(t) = exp (-0,005212RPM+ 0,000786Load)h0(t). Analisis residual menyimpulkan tidak terdapat pencilan.Kata kunci: Analisis Survival, Kaplan-Meier, Outlier, Regresi Cox, Threshold, Vibrasi Bearing. http://hdl.handle.net/123456789/28900 Penerapan Metode Weight Estimation by Re-Estimated Absolute Residuals pada Analisis Regresi Linear Berganda Berdasarkan Data Pendapatan Asli Daerah (PAD) Kabupeten/Kota Provinsi Jawa Barat Tahun 2018 Abstract. Multiple linear regression analysis is a linear regression model which can state the functional relationship between two or more independent variables and one dependent variable. In linear regression analysis, so that the parameter estimator has BLUE properties, one of the assumptions that must be fulfilled is homoscedasticity. When estimating the regression parameters on the District /City revenue data of West Java Province in 2018 as dependent variables (Y) with local government spending, population, and gross regional domestic product as independent variables (X) there was a violation of the assumption, namely heteroscedastic with BDR type which was proven in the visual test. heteroscedasticity, where the plot shrinks then enlarges to form a basin resembling a butterfly wing. So, to overcome this problem, the WRAR method is applied, which is a weighting method to overcome the heteroscedasticity problem of the BDR type. The estimation of regression parameters by applying the WRAR method resulted in smaller MSE values than that produced by the OLS method.Keywords: Weight Estimation by Re-Estimated Absolute Residuals (WRAR) method, Butterfly Distributed Residuals (BDR), Multiple Linear Regression, Ordinary Least Square (OLS) Method.Abstrak. Analisis regresi linear berganda merupakan model regresi linear yang dapat menyatakan hubungan fungsional antara dua atau lebih variabel bebas dengan satu variabel tak bebas. Dalam analisis regresi linear agar penaksir parameter memiliki sifat BLUE, salah satu asumsi yang harus terpenuhi yaitu homoskedastisitas. Saat melakukan estimasi parameter regresi pada data PAD Kabupaten/Kota Provinsi Jawa Barat tahun 2018 sebagai variabel tak bebas (Y) dengan Pengeluaran Pemerintah Daerah (PPD), Jumlah Penduduk (JP), dan Produk Domestik Regional Bruto (PDRB) sebagai variabel bebas (X) telah terjadi pelanggaran asumsi yaitu heteroskedastis dengan tipe BDR yang terbukti pada uji visual heteroskedastisitas, dimana plot mengecil kemudian membesar membentuk cekungan menyerupai sayap kupu-kupu. Sehingga untuk mengatasinya dilakukan pengaplikasian metode WRAR yang merupakan metode pembobotan untuk mengatasi masalah heteroskedastisitas tipe BDR. Taksiran parameter regresi dengan mengaplikasikan metode WRAR menghasilkan nilai MSE yang lebih kecil daripada yang dihasilkan oleh metode OLS.Kata Kunci: Metode Weight Estimation by Re-Estimated Absolute Residuals (WRAR), Butterfly Distributed Residuals (BDR), Regresi Linear Berganda, Metode Ordinary Least Square (OLS). http://hdl.handle.net/123456789/28902 Mendeteksi dan Mengatasi Multikolinieritas pada Data Penelitian Diabetes Melitus Wanita Suku Indian Tahun 2018 Abstract. Fulfillment of the multicollinearity assumption in logistic regression is very important. If the assumption of multicollinearity is not met, the regression model is no longer efficient because the standard error value of the regression coefficient becomes very large (overestimate). This indicates that the parameters in the model cannot be estimated and the output in the form of a path diagram cannot be displayed. It is also possible that if the parameters are successfully estimated and the path diagram output is successfully displayed, the results are biased. In this study, we will try to detect and overcome the multicollinearity problem by looking at the correlation value and the VIF value and overcoming it by eliminating the independent variable that has a VIF value > 10. The data used in this study is secondary data from the Indian Women's Diabetes Research 2018. The dependent variable has two categories, namely not suffering from and suffering from. From the research it can be concluded that there are two variables detected that multicollinearity occurs.Keywords: Correlations, Logistic Regression, Multicollinierity, VIF Abstrak. Pemenuhan asumsi multikolinieritas dalam regresi logistik sangat lah penting. Jika asumsi multikolinieritas tidak terpenuhi, model regresi tidak lagi efisien karena nilai standar error koefisien regresi menjadi sangat besar (overestimate). Hal ini mernunjukkan bahwa parameter dalam model tidak dapat diestimasi dan output dalam bentuk diagram jalur tidak dapat ditampilkan. Bisa juga jika parameter berhasil diestimasi dan output diagram jalur berhasil ditampilkan, tetapi hasilnya menjadi bias. Dalam penelitian ini akan dicoba mendeteksi dan mengatasi masalah multikolinieritas dengan cara melihat nilai korelasi dan nilai VIF dan mengatasinya dengan cara menghilangkan variabel independen yang memiliki nilai VIF > 10. Data yang digunakan pada penelitian ini adalah data sekunder Penelitian Diabetes Wanita Indian Tahun 2018. Variabel dependen memiliki dua kategori, yaitu tidak mengidap dan mengidap. Dari penelitian dapat disimpulkan bahwa terdapat dua variabel yang terdeteksi terjadi multikolinieritas.Kata Kunci: Korelasi, Multikolinieritas, Regresi Logistik, VIF http://hdl.handle.net/123456789/28901 Penerapan Regresi Poisson Bivariat untuk Pemodelan Jumlah Kematian Ibu dan Jumlah Kematian Bayi di Jawa Barat Abstract. Poisson regression is a regression model that is often used to analyze a data count. Poisson bivariate regression is a method used to model a pair of count data that has a correlation with several independent variables. Health degree is very important in describing the public health profile in an area. In assessing the degree of public health, indicators of Infant Mortality Rate (IMR) and Maternal Mortality Rate (MMR) are used because infant mortality and maternal mortality are two things that are interrelated. In this paper, we will implement the Bivariate Poisson Regression model in Maternal Mortality and Infant Mortality in West Java in 2017. By using a model where λ0 is a function of the independent variable. The results show that the variables that influence maternal mortality are the percentage of exclusive breastfeeding, the percentage of pregnant women getting Fe3 tablets, the percentage of pregnant women visiting with K4, and the percentage of compilation of midwifery handling and the variables that affect infant mortality are the percentage of exclusive breastfeeding, the percentage of pregnant women getting tablets Fe3, percentage of visits of pregnant women with K1, percentage of visits of pregnant women with K4, and the percentage of compilation of midwifery handling.Keywords: Poisson Regression, Poisson Bivariate Regression, Maternal Mortality, Infant MortalityAbstrak. Regresi Poisson merupakan model regresi yang sering digunakan untuk menganalisis suatu data count. Regresi bivariat poisson adalah metode yang digunakan untuk memodelkan sepasang count data yang memiliki korelasi dengan beberapa variabel independen. Derajat kesehatan sangat penting dalam menggambarkan profil kesehatan masyarakat di suatu daerah. Dalam menilai derajat kesehatan masyarakat, digunakan indikator Angka Kematian Bayi (AKB) dan Angka Kematian Ibu (AKI) karena kematian bayi dan kematian ibu merupakan dua hal yang saling berkaitan. Dalam makalah ini akan dilakukan penerapan model Regresi Poisson Bivariat dalam Kematian Ibu dan Kematian Bayi di Jawa Barat tahun 2017. Dengan menggunakan model dimana  adalah fungsi dari variabel bebasnya. Didapatkan hasil bahwa variabel yang mempengaruhi kematian ibu adalah persentase pemberian ASI eksklusif, persentase ibu hamil mendapatkan tablet Fe3, persentase kunjungan ibu hamil dengan K4, dan persentase penanganan kompilkasi kebidanan dan variabel yang mempengaruhi kematian bayi adalah persentase pemberian ASI ekslusif, persentase ibu hamil mendapatkan tablet Fe3, persentase kunjungan ibu hamil dengan K1, persentase kunjungan ibu hamil dengan K4, dan persentase penanganan komplikasi kebidanan.Kata Kunci: Regresi Poisson, Regresi Bivariat Poisson, Kematian Ibu, Kematian Bayi